基于贝叶斯网络的PC斜拉桥主梁标高预测
发布时间：2020-12-15 12:46
PC斜拉桥在众多的桥型中,以其较大的跨越能力、成熟的施工工艺、优美的设计线形、相对低廉的造价等优势而被广泛应用。PC斜拉桥属于多次超静定结构,理论计算复杂,加之施工过程中存在较多不确定性因素,可能导致施工过程中主梁线形偏离设计线形,影响成桥后的结构受力性能和行车舒适性。如果主梁线形偏差过大,甚至影响主桥合龙。本文以开平市东环大桥PC斜拉桥为工程背景,基于概率论与图论相结合的贝叶斯网络理论基础,构建贝叶斯标高预测网络,开展施工阶段主梁线形控制精度的预测和分析研究工作。贝叶斯网考虑影响主梁变形因素的不确定性,同时将变形控制先验经验同施工阶段实测变形数据相结合,不断更新贝叶斯网参数,得出更加精确的主梁变形预测值,减小施工偏差。贝叶斯线形控制网络作为一种新型变形预测代理模型,研究贝叶斯网络的理论基础、应用过程及预测效果,本文主要完成的工作如下:（1）阐述了贝叶斯网络理论基础,介绍了贝叶斯网络构建、参数表的求解更新及推理功能等;（2）建立斜拉桥施工过程有限元仿真分析模型,分析施工过程中引起主梁线形偏差的误差来源,通过参数敏感性分析确定出混凝土容重、边跨索力、主跨索力和主梁温度梯度等四个主要参数;...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
贝叶斯网络构造过程
图 2-4 Componet-Damage 网络结构图%定义贝叶斯网络%矩阵初始化; %网络节点编号%定义节点父子关%节点变量离散化 %每个节点取二值sizes,'names',{'Cloudy(C)','Sprinkler(S)','Rain('discrete_nodes'); %生成 WetGrass 贝%画出构建贝叶斯
图 2-5 贝叶斯网络节点概率表叶斯网络节点概率表，可直接进行赋值；若未知，利用最大似然对数据样本进行参数学习，得到节点初始概率表。本算例已知节点，代码如下： = tabular_CPD(bnet, Q, [0.5 0.5]); = tabular_CPD(bnet, C, [0.5 0.1 0.5 0.9]); = tabular_CPD(bnet, S, [0.8 0.2 0.2 0.8]); = tabular_CPD(bnet, D, [1 0.1 0.1 0.01 0 0.9 0.9 0.99]);入证据进行推理已知证据 构件破坏 D=（2false=1，true=2）时，P(S=2|D=2)和 P(S=2代码如下：_inf_engine(bnet); %联合推理引擎ll(1,N);
【参考文献】：
期刊论文
[1]基于贝叶斯网络的综合管廊运维灾害风险分析[J]. 陈雍君,李宏远,汪雯娟,薛博,李冠勋. 安全与环境学报. 2018(06)
[2]贝叶斯框架下的大坝变形交互式时变预测模型及其验证[J]. 李明超,任秋兵,沈扬. 水利学报. 2018(11)
[3]基于车桥耦合振动信号和扩展卡尔曼滤波的桥梁结构损伤识别[J]. 黄进鹏,黄杰忠,张纯,宋固全. 土木工程与管理学报. 2018(05)
[4]超宽牵索挂篮挠度等效理论在施工监控中的应用[J]. 李鹏飞,颜全胜,余晓琳,曾冠锋. 中外建筑. 2018(08)
[5]基于人工神经网络的深度学习算法综述[J]. 刘俊一. 中国新通信. 2018(06)
[6]最小二乘法在独塔斜拉桥施工控制中的应用[J]. 蒋益. 上海公路. 2016(01)
[7]斜拉桥有限元建模方法分析[J]. 张路,刘睿星. 工程经济. 2014(12)
[8]基于D最优响应面设计方法的带附加气室空气弹簧动力学特性拟合研究[J]. 朱跃,朱思洪. 机械设计. 2014(11)
[9]牵索挂篮悬浇施工技术应用分析[J]. 胡绍萍. 西部交通科技. 2014(02)
[10]卡尔曼滤波在桥梁变形监测中的应用[J]. 闫玉强,王坚,王春亮. 科技信息. 2011(07)
博士论文
[1]混凝土斜拉桥的模态参数识别与模型修正[D]. 张国刚.湖南大学 2013
[2]基于信息更新的混凝土结构性能预测和可靠性管理[D]. 王剑.清华大学 2006
[3]贝叶斯网建模技术及其在决策中的应用[D]. 胡笑旋.合肥工业大学 2006
[4]贝叶斯网络研究[D]. 黄友平.中国科学院研究生院（计算技术研究所） 2005
硕士论文
[1]基于自编码神经网络的桥梁结构损伤检测研究[D]. 王宇鑫.暨南大学 2018
[2]基于贝叶斯网络的输电线路故障诊断[D]. 张亚茹.安徽理工大学 2018
[3]基于GM（1,1）模型数据改进的大跨度刚构拱桥施工监控研究[D]. 秦双双.烟台大学 2018
[4]公铁两用大跨度斜拉桥施工控制分析[D]. 杨阳.石家庄铁道大学 2018
[5]基于贝叶斯网络理论的连续刚构桥施工变形预测[D]. 李嘉华.华南理工大学 2018
[6]应用BP神经网络修正桥梁有限元模型[D]. 吕泽鹏.郑州大学 2018
[7]基于环境激励的钢管混凝土拱桥模态参数识别及模型修正[D]. 寇耀忠.合肥工业大学 2018
[8]贝叶斯网结构学习方法研究[D]. 杨莎莎.江西师范大学 2017
[9]基于响应面法的桥梁结构有限元模型修正与应用[D]. 陈东.长安大学 2017
[10]离散动态贝叶斯网络精确推理的研究与实现[D]. 谭格帆.西安电子科技大学 2016
本文编号：2918291
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
贝叶斯网络构造过程
图 2-4 Componet-Damage 网络结构图%定义贝叶斯网络%矩阵初始化; %网络节点编号%定义节点父子关%节点变量离散化 %每个节点取二值sizes,'names',{'Cloudy(C)','Sprinkler(S)','Rain('discrete_nodes'); %生成 WetGrass 贝%画出构建贝叶斯
图 2-5 贝叶斯网络节点概率表叶斯网络节点概率表，可直接进行赋值；若未知，利用最大似然对数据样本进行参数学习，得到节点初始概率表。本算例已知节点，代码如下： = tabular_CPD(bnet, Q, [0.5 0.5]); = tabular_CPD(bnet, C, [0.5 0.1 0.5 0.9]); = tabular_CPD(bnet, S, [0.8 0.2 0.2 0.8]); = tabular_CPD(bnet, D, [1 0.1 0.1 0.01 0 0.9 0.9 0.99]);入证据进行推理已知证据 构件破坏 D=（2false=1，true=2）时，P(S=2|D=2)和 P(S=2代码如下：_inf_engine(bnet); %联合推理引擎ll(1,N);
【参考文献】：
期刊论文
[1]基于贝叶斯网络的综合管廊运维灾害风险分析[J]. 陈雍君,李宏远,汪雯娟,薛博,李冠勋. 安全与环境学报. 2018(06)
[2]贝叶斯框架下的大坝变形交互式时变预测模型及其验证[J]. 李明超,任秋兵,沈扬. 水利学报. 2018(11)
[3]基于车桥耦合振动信号和扩展卡尔曼滤波的桥梁结构损伤识别[J]. 黄进鹏,黄杰忠,张纯,宋固全. 土木工程与管理学报. 2018(05)
[4]超宽牵索挂篮挠度等效理论在施工监控中的应用[J]. 李鹏飞,颜全胜,余晓琳,曾冠锋. 中外建筑. 2018(08)
[5]基于人工神经网络的深度学习算法综述[J]. 刘俊一. 中国新通信. 2018(06)
[6]最小二乘法在独塔斜拉桥施工控制中的应用[J]. 蒋益. 上海公路. 2016(01)
[7]斜拉桥有限元建模方法分析[J]. 张路,刘睿星. 工程经济. 2014(12)
[8]基于D最优响应面设计方法的带附加气室空气弹簧动力学特性拟合研究[J]. 朱跃,朱思洪. 机械设计. 2014(11)
[9]牵索挂篮悬浇施工技术应用分析[J]. 胡绍萍. 西部交通科技. 2014(02)
[10]卡尔曼滤波在桥梁变形监测中的应用[J]. 闫玉强,王坚,王春亮. 科技信息. 2011(07)
博士论文
[1]混凝土斜拉桥的模态参数识别与模型修正[D]. 张国刚.湖南大学 2013
[2]基于信息更新的混凝土结构性能预测和可靠性管理[D]. 王剑.清华大学 2006
[3]贝叶斯网建模技术及其在决策中的应用[D]. 胡笑旋.合肥工业大学 2006
[4]贝叶斯网络研究[D]. 黄友平.中国科学院研究生院（计算技术研究所） 2005
硕士论文
[1]基于自编码神经网络的桥梁结构损伤检测研究[D]. 王宇鑫.暨南大学 2018
[2]基于贝叶斯网络的输电线路故障诊断[D]. 张亚茹.安徽理工大学 2018
[3]基于GM（1,1）模型数据改进的大跨度刚构拱桥施工监控研究[D]. 秦双双.烟台大学 2018
[4]公铁两用大跨度斜拉桥施工控制分析[D]. 杨阳.石家庄铁道大学 2018
[5]基于贝叶斯网络理论的连续刚构桥施工变形预测[D]. 李嘉华.华南理工大学 2018
[6]应用BP神经网络修正桥梁有限元模型[D]. 吕泽鹏.郑州大学 2018
[7]基于环境激励的钢管混凝土拱桥模态参数识别及模型修正[D]. 寇耀忠.合肥工业大学 2018
[8]贝叶斯网结构学习方法研究[D]. 杨莎莎.江西师范大学 2017
[9]基于响应面法的桥梁结构有限元模型修正与应用[D]. 陈东.长安大学 2017
[10]离散动态贝叶斯网络精确推理的研究与实现[D]. 谭格帆.西安电子科技大学 2016
本文编号：2918291
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2918291.html
